Random capsule network (CAPSNET) forest model for imbalanced malware type classification task
Dengesiz sınıf dağılımına sahip kötü amaçlı yazılım sınıflandırma görevi ̇için rassal kapsül ağı (CAPSNET) orman modeli
- Tez No: 700374
- Danışmanlar: PROF. DR. HASAN DAĞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Kadir Has Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 80
Özet
Kötü amaçlı yazılımın davranışı, sistem koruma yazılımının stratejilerini etkileyen kötü amaçlı yazılım türlerine bağlı olarak değişir. Yapay ve/veya derin öğrenme ile güçlendirilmiş bir ̧cok kötü amaçlı yazılım sınıflandırma modeli, kötü amaçlı yazılım türlerini tahmin etmek için üstün doğruluklar elde eder. Yapay öğrenme tabanlı modeller performanslarını büyük ölçüde etkileyen ağır öznitelik mühendisliği çalışmalarına ihtiyaç duyarlar. ̈Ote yandan, derin öğrenme tabanlı modeller, yapay öğrenme tabanlı modellere kıyasla öznitelik mühendisliğine daha az ihtiyaç duyarlar. Bununla birlikte, geleneksel derin öğrenme mimarilerinin maksimum ve ortalama havuzlama gibi bileşenleri, mimarinin daha karmaşık olmasına ve modellerin verilere daha duyarlı olmasına neden olur. Kapsül ağ mimarileri ise havuzlama bileşenlerini ortadan kaldırarak yukarıda bahsedilen karmaşıklıkları azaltır. Ek olarak, kapsül ağ mimarisi tabanlı modeller, klasik evrişimli sinir ağı mimarilerinin aksine verilere daha az duyarlıdır. Bu tez, rastgele örnekleme toplama tekniğine dayalı bir topluluk kapsül ağı modeli ̈onermektedir. ̈Onerilen yöntem, en son sonuçlarının iyi bilindiği ve karşılaştırma amacıyla kullanılabilecek, yaygın olarak kullanılan, oldukça dengesiz iki veri kümesi (Malimg ve BIG2015) ̈uzerinde test edilmiştir. ̈Onerilen model, BIG2015 veri kümesi için 0.9820 olan en yüksek F-Skoruna ve Malimg veri kümesi için 0.9661 olan F-Skoruna ulaşmaktadır. Modelimiz aynı zamanda literatürdeki en iyi modele göre %99,7 daha az eğitilebilir parametre kullanarak en son teknolojiye ulaşmaktadır.
Özet (Çeviri)
Behavior of malware varies depending the malware types, which affect the strategies of the system protection software. Many malware classification models, empowered by machine and/or deep learning, achieve superior accuracy for predicting malware types. Machine learning-based models need to do heavy feature engineering work, which affects the performance of the models greatly. On the other hand, deep learning-based models require less effort in feature engineering when compared to that of the machine learning-based models. However, traditional deep learning architectures' components, such as max and average pooling, cause architecture to be more complex and the models to be more sensitive to data. The capsule network architectures, on the other hand, reduce the aforementioned complexities by eliminating the pooling components. Additionally, capsule network architectures based models are less sensitive to data, unlike the classical convolutional neural network architectures. This thesis proposes an ensemble capsule network model based on the bootstrap aggregating technique. The proposed method is tested on two widely used, highly imbalanced datasets (Malimg and BIG2015), for which the-state-of-the-art results are well-known and can be used for comparison purposes. The proposed model achieves the highest F-Score, which is 0.9820, for the BIG2015 dataset and F-Score, which is 0.9661, for the Malimg dataset. Our model also reaches the-state-of-the-art, using 99.7% lower the number of trainable parameters than the best model in the literature.
Benzer Tezler
- Mining colonoscopy images for abnormality detection
Anormallik tespiti için veri madenciliği
RUKİYE NUR KAÇMAZ
Doktora
İngilizce
2020
Elektrik ve Elektronik MühendisliğiAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT YILMAZ
- Mathematical model-based clinical decision support system algorithm design study that can support the diagnosis of celiac disease
Çölyak hastalığının teşhisine destek verebilecek matematik model tabanlı kds algoritması tasarımı
ELİF KESKİN BİLGİÇ
Doktora
İngilizce
2024
Mühendislik Bilimleriİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
DR. İNCİ ZAİM GÖKBAY
DOÇ. DR. YUSUF KAYAR
- Yaşama mekanlarında gün ışığının etkin kullanılması için makine öğrenmesi ile optimum pencere tasarımı
Optimum window design with machine learning for effective use of daylight in living spaces
FADİME DİKER
Doktora
Türkçe
2024
MimarlıkSüleyman Demirel ÜniversitesiMimarlık, Planlama ve Tasarım Ana Bilim Dalı
DOÇ. DR. İLKER ERKAN
- Design of magnetic actuator driver system for laser scanning capsule endoscopy applications
Lazer taramalı kapsül endoskopi uygulamaları için manyetik eyleyici sürücü sistemi tasarımı
BERKAY KEBAPCIOĞLU
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA BERKE YELTEN
- In-body antenna design for capsule endoscopy applications
Kapsül endoskopi uygulamaları için vücut içi anten tasarımı
EMRE GÜREŞ
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZGÜR ÖZDEMİR